车道线检测任务由来已久,是自动驾驶的核心功能之一。而车道线最经典的方法就是基于相机模型和IPM投影得到BEV上的感知结果,接下来汽车人就给大家详细聊聊相关知识:
总结来说,车道线检测任务主要有以下几个特点:
车道线检测任务技术栈丰富,需要熟悉图像处理、神经网络架构(CNN&Transformer)、IPM、相机标定、BEV、高精地图、目标跟踪、编程技能等等。
方案多,不同厂商,不同算力,方案差异很大,有基于2D图像检测,然后投影3D的,有基于BEV端到端检测的,有引入高精地图融合的,有辅助SDMap的,方案各有千秋。
难度大,因为车道线是自动驾驶的核心任务,直接影响车辆是否可以上路,车道线场景很多,比如大曲率弯道、异形车道线、模糊、遮挡、光线暗等,都直接影响车道线检测质量。非常具有挑战性。
这么多的技术栈和方案,我们如何快速入门和切入这个方向呢?在深入调研大家的需求后,自动驾驶之心联合一线资深车道线检测领域的算法专家一起将车道线检测从传统方法到深度学习方法,从2D回3D到BEV车道线,以及最新的基于局部建图的方案进行了详细的阐述,形成了业界第一门面向量产的全方位车道线检测课程。从0到1为大家详细展开各个方案的优劣、如何优化、算法实战等方方面面,内容非常详细,课程也紧跟23年以来的一些新的方法与研究热点问题。
理论结合实战,帮助大家更好地理解算法的实现细节,核心全面地介绍基于2D图像以及3D BEV的几种主流方案,并对实际量产中遇到的后处理及疑难问题进行了总结和解答。面向量产的全方位车道线检测理论与实战教程,一骑绝尘! 特别适合刚入门的小白以及需要在业务上从事自动驾驶感知、建图、预测规划的同学,也很适合想要系统地了解新方向的其他方向从业人员。
课程大纲如下:
Harry老师,985 本硕,算法研究员。目前主要研究方向:BEV地面元素检测、BEV障碍物检测、NeRF等。曾在计算机视觉顶会(CVPR、AAAI等)发表相关论文,另有SCI 论文4篇。精通车道线检测领域的各种处理方法和技巧,欢迎大家一起交流学习。
计算机视觉与自动驾驶感知相关研究方向的本科/硕士/博士;
自动驾驶2D/3D感知相关算法工程人员;
想要转入车道线方向感知算法的小伙伴;
工作上需要提升的算法工程人员及企业技术管理人员;
具有一定的python和pyTorch基础,熟悉深度学习常用的一些基础算法;
对2D感知包括检测与分割等基础方案有一定了解;
一定的线性代数和矩阵论基础;
电脑需要自带GPU,能够通过CUDA加速(显存至少12GB);
能够对车道线从传统到BEV方案的主流模型有系统和深入的理解。
学习到如何构建自己的车道线检测系统。
将方法应用到实际工作中,并掌握其在自动驾驶系统中的算法改进与应用,解决量产中遇到的瓶颈。
丰富案例和项目实战,加深理论和实际的融合,在研究工作或者算法工程上得到新的方法设计。
认识多行业从业人员与学习合作伙伴,并在交流中达到更加深入的理解。
联系客服